大家好!我是霖hero。上个月的时候，我写了一篇关于IP代理的文章，手把手教你使用XPath爬取免费代理IP，今天在这里分享我的第二篇文章，希望大家可以喜欢。
前言
有一天，我在逛街，突然被一声靓仔打断了我的脚步，回头一看，原来是水果摊阿姨叫我买水果，说我那么靓仔，便宜一点买给我，自恋的我无法拒绝阿姨的一声声靓仔，于是买了很多水果回家，家人问我水果多少钱，结果如何，没错，水果买贵了!今天我们使用scrapy框架来爬取北京新发地价格行情，了解商品价格，家人再也不怕我买贵东西啦。
Scrapy简介
在爬取之前，我们先来学习一下什么Scrapy框架。
Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，是提取结构性数据而编写的应用框架，其架构清晰，模块之间的耦合程度低，可扩展性极强，我们只需要少量的代码就能够快速抓取数据。
Scrapy框架介绍
首先我们看看经典的Scrapy框架架构图，如下图所示：
学Scrapy框架的绝大部分都看过这个图，图中分了很多部分，接下来，我们通过下面的表来简单地了解各个部分的作用。
| 名称 | 作用 | 是否要手写代码 |
|---|---|---|
| Engine | 引擎，负责数据和信号的在不同模块间的传递。 | 否 |
| Scheduler | 调度器，存放引擎发过来的requests请求，在引擎再次请求的时候将请求提供给引擎。 | 否 |
| Downloader | 下载器，下载网页响应的内容并将内容返回给引擎。 | 否 |
| Spiders | 爬虫，处理引擎传过来的网页内容并提取数据、url，并返回给引擎。 | 是 |
| Item Pipeline | 管道，处理引擎传过来的数据，主要任务是清洗、验证和存储数据。 | 是 |
| Downloader Middlewares | 下载器中间件，位于引擎和下载器之间的桥梁框架，主要是处理引擎与下载器之间的请求及响应，可以自定义下载扩展，如设置代理。 | 一般不用手写 |
| Spider MiddlewaresSpider | 中间件，位于引擎和爬虫之间的桥梁框架，主要处理向爬虫输入的响应和输出的结果及新的请求。 |
在表中，我们可以发现，每部分都要经过引擎，上图中Scrapy Engine部分也是放在正中心，由此可知，Engine引擎是整个框架的核心。
注意：这些模块部分只有Spiders和Item Pipeline需要我们自己手写代码，其他的大部分都不需要。
Scrapy项目
大致了解了Scrapy框架的各个部分后，接下来我们开始创建一个Scrapy项目，可以使用如下命令：
- scrapy startproject <Scrapy项目名>
创建一个scrapy项目名为test1的项目，如下图所示：
这样我们就创建好Scrapy项目了，如下图所示：
其中：
- spiders：存放spiders的文件夹;
- items.py：Items的定义，定义爬取的数据结构;
- middlewares.py：项目中间件文件，定义爬取时的中间件;
- pipelines.py：项目管道文件，定义数据管道;
- settings：项目设置文件;
- scrapy.cfg：Scrapy部署配置文件。
Spider爬虫
创建spider爬虫
要创建Spider爬虫，首先我们要进入刚才创建的Scrapy目录中，再在命令行运行以下命令：
- scrapy genspider <爬虫名字> <允许爬取的域名>
以
- http://quotes.toscrape.com
网站为例子，该网站是一个著名作家名言的网站，创建Spider爬虫如下图所示：
创建spider爬虫后，spiders文件夹中多了一个firstspider.py，这个py文件就是我们创建爬虫，文件内容如下所示：
- import scrapy
- class FirstspiderSpider(scrapy.Spider):
- name = 'firstSpider'
- allowed_domains = ['quotes.toscrape.com']
- start_urls = ['http://quotes.toscrape.com/']
- def parse(self, response):
- pass
其中：
- class FirstspiderSpider()是自定义spider类，继承自scrapy.Spider
- name是定义此爬虫名称的字符串，每个项目唯一的名字，用来区分不同的Spider，启动爬虫时使用scrapy crawl +该爬虫名字;
- allowed_domains是允许爬取的域名，防止爬虫爬到其他网站;
- start_urls是最开始爬取的url;
- parse()方法是负责解析返回响应、提取数据或进一步生成要处理的请求，注意：不能修改这个方法的名字。
parse()提取数据并启动爬虫
大致了解了firstspider.py文件内容后，我们接下来尝试在parse()方法中提取响应的数据，具体代码如下所示：
- xpath_parse = response.xpath('/html/body/div[1]/div[2]/div[1]/div')
- for xpath in xpath_parse:
- item={}
- item['text'] = xpath.xpath('./span[1]/text()').extract_first().replace('“','').replace('”','') item['author']=xpath.xpath('./span[2]/small/text()').extract_first()
- print(item)
这样我们就成功提取到引擎响应的内容数据了，接着输入以下命令来运行spider爬虫：
- scrapy crawl firstSpider
运行结果如下：
运行后发现我们结果里面多了很多log日志，这时可以通过在settings.py添加以下代码，就可以屏蔽这些log日志：
- LOG_LEVEL="WARNING"
这样就可以直接输入我们想要的内容，如下图所示：
有人可能问：那User-Agent在哪里设置?
我们可以在settings.py中设置User-Agent，代码如下所示：
items.py介绍
为了避免拼写错误或者定义字段错误，我们可以在items.py文件中定义好字段，在上面提取数据中，我们获取了text、author内容，所以我们可以在items.py定义text和author字段，具体代码如下所示：
- import scrapy
- class Test1Item(scrapy.Item):
- text= scrapy.Field()
- author = scrapy.Field()
在items.py文件中，我们只需要使用scrapy.Field()来进行定义即可，scrapy.Field()是一个字典，总的来说我们可以把该类理解为一个字典。
接着在firstspider.py文件中导入我们的items.py，以及修改item={}，如下所示：
- from test1.items import Test1Item
- item=Test1Item()
有人可能会说为什么要多此一举定义一个字典呢?
当我们在获取到数据的时候，使用不同的item来存放不同的数据，在把数据交给pipeline的时候，可以通过isinstance(item,Test1Item)来判断数据属于哪个item，进行不同的数据(item)处理。
例如我们获取到京东、淘宝、拼多多的数据时，我们可以items.py文件中定义好对应的字段，具体代码如下：
- import scrapy
- class jingdongItem(scrapy.Item):
- text= scrapy.Field()
- author = scrapy.Field()
- class taobaoItem(scrapy.Item):
- text= scrapy.Field()
- author = scrapy.Field()
- class pddItem(scrapy.Item):
- text= scrapy.Field()
- author = scrapy.Field()
定义好字段后，这是我们通过在pipeline.py文件中编写代码，对不同的item数据进行区分，具体代码如下：
- from test1.items import jingdongItem
- class Test1Pipeline:
- def process_item(self, item, spider):
- if isinstance(item,jingdongItem):
- print(item)
首先我们通过导入我们的items.py，通过isinstance()函数来就可以成功获取到对应的item数据了。
pipelines.py介绍
Item Pipeline为项目管道，当Item生成后，它就会自动被送到Item Pipeline进行处理，我们常用Item Pipeline来做以下操作：
- 清理HTML数据;
- 验证爬取数据，检测爬取字段;
- 查看并丢弃重复内容;
- 将爬取结果保存到数据库。
pipelines.py内容如下所示：
- from itemadapter import ItemAdapter
- class Test1Pipeline:
- def process_item(self, item, spider):
- return item
在process_item()方法中，传入了两个参数，一个参数是item，每次Spider生成的Item都会作为参数传递过来。另一个参数是spider，就是Spider的示例。
完成pipeline代码后，需要在setting.py中设置开启，开启方式很简单，只要把setting.py内容中的以下代码的注释取消即可：
- ITEM_PIPELINES = {
- 'test1.pipelines.Test1Pipeline': 300,
- }
其中：
- test1.pipelines.Test1Pipeline是pipeline的位置;
- 300是pipeline的权重。
注意：
- pipeline的权重越小优先级越高;
- pipeline中的process_item()方法名不能修改为其他的名称;
- pipeline能够定义多个。
当我们有多个spider爬虫时，为了满足不同的spider爬虫需求，这时可以定义不同的pipeline处理不同的item内容;
当一个spider的内容可能要做不同的操作时，例如存入不同的数据库中，这时可以定义不同的pipeline处理不同的item操作。
例如当我们有多个spider爬虫时，可以通过pipeline.py编写代码定义多个pipeline，具体代码如下：
- class jingdongPipeline1:
- def process_item(self, item, spider):
- if spider.name=="jingdong":
- print(item)
- return item
- class taobaoPipeline:
- def process_item(self, item, spider):
- if spider.name=="taobao":
- print(item)
- return item
这样我们就可以处理到对应的spider爬虫传递过来的数据了。
定义好pipeline后，我们要在settings.py中设置pipeline权重，也就是那个pipeline先运行，具体代码如下：
- ITEM_PIPELINES = {
- 'test1.pipelines.jingdongPipeline': 300,
- 'test1.pipelines.taobaoPipeline': 301,
- }
数据传输到pipeline中
在上面我们已经提取到想要的数据，接下来将数据传到pipeline中，传输很简单，我们只需要使用yield，代码如下：
- yield item
没错，只要在spider爬虫中写入这一行代码即可，那么为什么要使用yield呢?，我用return不能行吗?
行，但yield是让整个函数变成一个生成器，每次遍历的时候挨个读到内存中，这样不会导致内存的占用量瞬间变高。
实现翻页
我们成功获取到了一页数据了，那么问题来了，如何实现翻页呢，方法有很多种，我们主要介绍两种。
第一种：使用start_requests()方法
我们通过在spider爬虫中，也就是我们创建的firstspider.py中添加以下代码，具体代码如下：
- def start_requests(self):
- for i in range(1,3):
- url=f'https://quotes.toscrape.com/page/{i}/'
- yield scrapy.Request(url=url,callback=self.parse)
第二种：在parse()方法中实现翻页
我们可以通过parse()方法中实现翻页，具体代码如下：
- for i in range(2,3):
- url = f'https://quotes.toscrape.com/page/{i}/'
- yield scrapy.Request(url=url,callback=self.parse)
大家可以发现，上面两种翻页方式都差不多，只是一个在start_requests()方法实现，一个在parse()方法实现。
但都要使用scrapy.Request()方法，该方法能构建一个requests，同时指定提取数据的callback函数
- scrapy.Requeset(url,callback,method='GET',headers,cookies,meta,dont_filter=False)
其中：
- url：表示爬取的url链接;
- callback：指定传入的url交给哪个解析函数去处理;
- headers：请求头;
- cookies：用于识别用户身份、进行回话跟踪而存储在用户本地终端上的数据;
- meta：实现在不同的解析函数中传递数据;
- dont_filter：让scrapy的去重不会过滤当前url，scrapy默认有url去重的功能。
保存数据
我们已经获取到数据而且实现了翻页，接下来是保存数据。
保存在文件中
当我们要把数据保存成文件的时候，不需要任何额外的代码，只要执行如下代码即可：
- scrapy crawl spider爬虫名 -o xxx.json #保存为JSON文件
- scrapy crawl spider爬虫名 -o xxx.jl或jsonlines #每个Item输出一行json
- scrapy crawl spider爬虫名 -o xxx.csv #保存为csv文件
- scrapy crawl spider爬虫名 -o xxx.xml #保存为xml文件
想要保存为什么格式的文件，只要修改后缀就可以了，在这里我就不一一例举了。
保存MongoDB中
当我们要把数据保存在MongoDB数据库的时候，就要使用Item Pipeline模块了，也就是说要在pipeline.py中编写代码，具体代码如下所示：
- from pymongo import MongoClient
- client=MongoClient()
- collection=client["test1"]["firstspider"]
- class Test1Pipeline:
- def process_item(self, item, spider):
- collection.insert(item)
- return item
首先我们导入MongoClient模块并实例化MongoClient，创建一个集合，然后在process_item()方法中使用insert()方法把数据插入MongoDB数据库中。
好了，Scrapy知识就讲到这里，下一篇文章小编将带大家爬取北京新发地价格行情，顺便巩固我们今天学的知识。
总结
大家好，我是霖hero。这篇文章主要给大家分享了Scrapy框架的条条框框，Scrapy是一个基于Twisted的异步处理框架，是纯Python实现的爬虫框架，是提取结构性数据而编写的应用框架，其架构清晰，模块之间的耦合程度低，可扩展性极强。
本文转载自微信公众号「Python爬虫与数据挖掘」，可以通过以下二维码关注。转载本文请联系Python爬虫与数据挖掘公众号。
